main.py

from fastapi import FastAPI, File, UploadFile
from fastapi.responses import JSONResponse
from fastapi.staticfiles import StaticFiles
from fastapi.responses import FileResponse
import numpy as np
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing.image import load_img, img_to_array
from PIL import Image
import io
import tensorflow as tf
from tensorflow.keras.layers import Dense

app = FastAPI(title="Clasificador de Vehículos")

class CompatDense(Dense):
    def __init__(self, *Args, quantization_config=None, **kwargs):
        # Eliminamos el problema de discusión y al padre
        kwargs.pop('quantization_config', None)
        super().__init__(*Args, **kwargs)

# Cargar el modelo entrenado (arquitectura + pesos incluidos en modelo.h5)
model = load_model(
    'modelo/modelo.h5',
    custom_objects={'Dense': CompatDense}
)
# Etiquetas de las clases, en el orden que usó ImageDataGenerator (alfabético)
CLASS_NAMES = ['airplane', 'car', 'ship']   # 0: aéreo, 1: terrestre, 2: marítimo

def preprocess_image(image: Image.Image):
    """
    Preprocesa la imagen para que coincida con el entrenamiento.
    """
    image = image.resize((150, 150))          # tamaño usado en el notebook
    img_array = img_to_array(image)           # convierte a array (150,150,3)
    img_array = img_array / 255.0             # normalización (rescale=1./255)
    img_array = np.expand_dims(img_array, axis=0)  # añade dimensión batch
    return img_array

@app.post("/predict")
async def predict(file: UploadFile = File(...)):
    """
    Recibe una imagen y devuelve la clase predicha con su confianza.
    """
    # Leer el contenido del archivo
    contents = await file.read()
    try:
        # Convertir a imagen RGB
        image = Image.open(io.BytesIO(contents)).convert('RGB')
    except Exception:
        return JSONResponse(
            content={"error": "No se pudo leer la imagen. Asegúrate de enviar un archivo válido."},
            status_code=400
        )

    # Preprocesar y predecir
    processed = preprocess_image(image)
    predictions = model.predict(processed)[0]   # array de 3 probabilidades

    predicted_idx = np.argmax(predictions)
    label = CLASS_NAMES[predicted_idx]
    confidence = float(predictions[predicted_idx])

    # Mapeo legible para el usuario
    label_es = {"airplane": "Aéreo (Avión)", "car": "Terrestre (Coche)", "ship": "Marítimo (Barco)"}

    return {
        "prediccion": label_es[label],
        "confianza": round(confidence, 4),
        "probabilidades": {
            "airplane": round(float(predictions[0]), 4),
            "car": round(float(predictions[1]), 4),
            "ship": round(float(predictions[2]), 4)
        }
    }

app.mount("/static", StaticFiles(directory="static"), name="static")

# Endpoint de bienvenida (opcional)
@app.get("/")
def read_index():
    return FileResponse("static/index.html")

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)